Статистический анализ сейсмической активности прибайкалья the statistical analysis of seismic activity of pribaikalye
Вид материала | Документы |
- Использование свободного программного обеспечения (спо) в образовательном и научно-исследовательском, 29.06kb.
- Arry out the activity in territory of Russia, the legislator at the same time has provided, 301.49kb.
- Бакалаврская программа № 521200 Кафедра: Социологии Направление : Социология Дисциплина, 188.47kb.
- Институт, 132.47kb.
- «Бухгалтерский учет, анализ и аудит», 1051.73kb.
- «Экономико – статистический анализ внешней торговли страны ( по выбору) за 2000 – 2007, 140.36kb.
- Разработка технологии многопараметрового мониторинга сейсмической активности азово-черноморского, 353.57kb.
- Экономико-статистический анализ динамики и прогнозирования урожайности сельскохозяйственных, 560.04kb.
- Анализ и интерпретация информации, 212.2kb.
- «Статистический анализ эффективности экономической конъюнктуры», 779.99kb.
СТАТИСТИЧЕСКИЙ АНАЛИЗ СЕЙСМИЧЕСКОЙ АКТИВНОСТИ ПРИБАЙКАЛЬЯ
THE STATISTICAL ANALYSIS OF SEISMIC ACTIVITY OF PRIBAIKALYE
Фасхутдинова В.А.
Введение. Прогнозирование землетрясений - одно из важнейших направлений геофизики. Существует множество методик и подходов для решения данной проблемы. Несколько лет назад российскими учеными во главе с академиком В. Бабешко была разработана концепция предсказания землетрясений, основанная на предположении, что литосферная плита - это механический объект, а поведение такого объекта в отличие от геологического можно рассчитать («метод активного вибросейсмического мониторинга»).
На аппаратуре, разработанной Геологической службой США, было выполнено уникальное моделирование очага подземного удара. Разработанные алгоритмы позволяют обнаружить периоды сейсмического затишья, активизации и кластеры на фоне разнообразных шумов. В этих случаях анализируются сигналы, поступающие от многочисленных слабых толчков.
Достаточно апробированная количественная методика долгосрочного прогноза предложена С. Нишенко. Опасность сильного землетрясения описывается в терминах условной вероятности возникновения землетрясения заданной магнитуды в определенный интервал времени. На основе многомерного анализа разработана вероятностная модель, позволяющая создавать приближенный сценарий сейсмической активности, что важно для развития теории и практики глобального мониторинга и долгосрочного прогнозирования геодинамической активности Земли.
В данном докладе для построения прецизионных комплексных моделей характеристик сейсмической активности Прибайкалья, представленных в виде временных рядов (ВР), используется метод динамического регрессионного моделирования (ДРМ-подход)[1], реализованный в виде программной автоматизированной системы АС ДРМ[2].
Динамическое регрессионное моделирование в приложении к обработке временных рядов сейсмической активности. При анализе временных рядов последовательно реализуются этапы [3,6]:
1.^ Графическое представление и описание поведения временного ряда, фрактальный и мультифрактальный анализ.
2.Проверка ряда на стационарность. При исследовании ряда на стационарность проверяется выполнение условий: постоянство среднего значения, определяемое непараметрическим критерием сдвига и критерием инверсий; постоянство дисперсии, определяемое критерием Коxрена и критерием рассеяния, и проверка на стационарность по критерию согласия Пирсона.
3.Выделение неслучайных составляющих временного ряда на основе подхода [1]:
3.1.Выделение трендов методом наименьших квадратов;
3.2.Идентификация и выделение значимых гармоник с помощью спектрального анализа, вейвлет-анализа, метода пошаговой регрессии или метода случайного поиска с адаптацией;
4. Моделирование стационарных случайных процессов
4.1.Модели авторегрессии и скользящего среднего. На практике для достижения большей гибкости в подгонке моделей к наблюдаемым временным рядам иногда бывает целесообразным объединить в одной модели авторегрессию и скользящее среднее. При этом модель должна состоять из наиболее «экономных» структур, дающих хорошую аппроксимацию с помощью небольшого числа параметров: параметры авторегрессии (p), порядок разности (d), параметры скользящего среднего (q).
4.2.Фильтр Калмана. Фильтр представляет собой рекуррентный алгоритм взвешенного сглаживания и прогнозирования временных рядов [7]. Для его применения модель записывается в виде уравнений процесса и наблюдения. Алгоритм позволяет по ряду данных наблюдений за различные моменты времени получить оптимальные оценки в смысле минимума среднеквадратической ошибки оценивания. Измерения обрабатываются последовательно с использованием ранее полученных данных; тем самым обеспечивается эффективная фильтрация данных от шума. Условиями применимости метода является наблюдаемость динамики ВР, некоррелированность сигнала и шумов, марковость.
4.3.Мартингальная аппроксимация.
Программное обеспечение динамического регрессионного моделирования. Программный комплекс имеет широкий набор процедур и функций, необходимых для детального анализа свойств временных рядов, моделирования, прогнозирования и диагностики нарушений условий применения метода наименьших квадратов и оценки качества моделей по различным критериям.
При воплощении алгоритмического кода использовались методы объектно-ориентированного программирования, что позволило упростить структуру пакета. Его модульная структура позволяет добавлять новые методы расчета без изменения основной части программного обеспечения. Дополнительно к базовому программному обеспечению [2] разработаны три новых модуля пакета, описываемые ниже.
^ Совместный спектральный анализ. Модуль «Совместный спектральный анализ» [4] осуществляет: - проведение спектрального анализа выбранных факторов; - отображение графиков зависимости кросс-спектральных характеристик (кросс-перидограммы, коспектра, квадратурного спектра, кросс-амплитуды, фазового сдвига, квадрата когерентности и значений усиления) от частоты и периода; - формирование данных по составляющим спектрального анализа от частоты и периода. Интерфейс модуля представлен на рис.1:

Рис.1. Интерфейс модуля «Совместный спектральный анализ»
^ Фильтр Калмана. Программная реализация алгоритма фильтрации осуществлена в виде отдельного модуля «Фильтр Калмана» (Рис.2) автоматизированной системы АС ДРМ. Модуль позволяет строить модели геосейсмической активности с высокой точностью предсказания.

Рис.2. Интерфейс модуля «Фильтр Калмана»
^ Фрактальный анализ. Модуль фрактального анализа (Рис.3) выполняет следующие функции: - R/S анализ исходного ВР, с помощью которого можно классифицировать временные ряды (он позволяет отличить случайный ряд от неслучайного, даже если случайный ряд не гауссовский); - построение R\S и H траекторий, позволяющих определить наличие долговременной памяти ВР; - формирование нечетких множеств; - построение фазовой траектории для ВР, которая дает не только геометрическое изображение отдельных движений, состояний равновесия, периодических, хаотических движений, но и определяет «логику» поведения системы, его зависимость от параметров; - выполнение процедуры агрегирования.

Рис.3. Интерфейс модуля «Фрактальный анализ»
Модели динамики сейсмической активности в Прибайкалье. В качестве исходных были взяты данные сейсмической активности Прибайкалья (ряд энергетического класса землетрясения (К)), зарегистрированные Байкальским Филиалом Геофизической Службы СО РАН за 1994-2007 годы (640 наблюдений) (ссылка скрыта?name =Data&da=1), усредненные по неделям.
Энергетический класс для землетрясений Прибайкалья определяется по методике Т.Г.Раутиан:
К=4+1,8М при К<= 14 и К=8,1+1,16M, если К>14, где M – магнитуда, измеряемая в баллах по шкале Рихтера.
На первом этапе анализа данных в рамках ДРМ-подхода проверяемая гипотеза о стационарности ряда была отвергнута с вероятностью 0,95. Построена модель тренда, являющаяся оптимальной из 17 построенных зависимостей по «внутреннему» среднему квадратичному отклонению (СКО) = 1.749 и по «внешнему» СКО Δ= 1,273 (Рис.4):

После диагностики остатков от тренда получены результаты: – предположение о равенстве нулю математического ожидания выполняется, – модель недоопределена, – остатки не распределены по нормальному закону, –авторегрессия отсутствует.

Рис. 4. График тренда ряда сейсмической активности Прибайкалья
Используемые для оценки точности прогноза среднеквадратические отклонения и Δ вычислялись по формулам:


где n – количество наблюдений, k-объем контрольной выборки, p- число слагаемых в модели,





По результатам спектрального и вейвлет анализов (Рис.5,6) остатков выделены 14 гармоник. Полученная модель, график для которой представлен на рис.7, имеет вид:

СКО модели равно 1,698; СКО по внешней точности Δ=1,187.

Рис. 5. Спектральный анализ ряда сейсмической активности Прибайкалья

Рис. 6. Вейвлет анализ ряда сейсмической активности Прибайкалья

Рис. 7. График для полигармонической модели ряда сейсмической активности Прибайкалья
Результаты экспресс-диагностики остатков после полигармонической компоненты: – предположение о равенстве нулю математического ожидания выполняется, – модель недоопределена, – остатки распределены по нормальному закону.
При применении фильтра Калмана к остаткам после гармонического анализа выделена модель с параметром p = -0,404 при значении = 0,985, Δ=0,592. График для модели представлен на рис.8.

Рис. 8. График для комплексной модели ряда сейсмической активности Прибайкалья
Конечная модель для ряда представлена суммой квадратичного и периодического трендов и фильтра Калмана:

где ^ X(t)-наблюдения в момент времени t,



При построении прогноза вычисляются значения энергетического класса на выбранные недели. Можно утверждать, что на каждой из этих недель прогнозируемые землетрясения имеют либо точечные оценки значений ряда, либо интервальные оценки при


Заключение. В результате обработки ряда получена оптимальная по критерию минимума Δ модель, описывающая динамику сейсмической активности Прибайкалья и позволяющая получать точечные и интервальные оценки прогноза К в среднем на неделю. Анализируются результаты и точность прогнозирования на октябрь 2008 года; рассматривается возможность моделирования ВР по суточным регистрациям, в том числе и по неравномерным ВР.
Программное обеспечение автоматизированной системы с интегрированными модулями может быть использовано для обработки достаточно широкого круга временных рядов в гео- и гелиофизике, астрометрии, планетодезии и др., обеспечивая заметное повышение точности по сравнению со стандартными пакетами.
Автор выражает признательность проф. С.Г. Валееву за консультации и помощь в работе.
^ СПИСОК ЛИТЕРАТУРЫ:
Валеев С.Г. Регрессионное моделирование при обработке наблюдений. – М.: Наука, 1991. 272 с. (второе издание, дополненное и переработанное: Валеев С.Г. Регрессионное моделирование при обработке данных. Казань: ФЭН, 2001. 296 с.)
- Валеев С.Г., Куркина С.В. Программная реализация ДРМ-подхода для обработки и анализа временных рядов // Изв. вузов. Геодезия и аэрофотосъемка, 2006. № 5. С. 10-21.
- Валеев С.Г., Куркина С.В., Фасхутдинова В.А., Замалтдинова Р.Э. Моделирование временных рядов сейсмической активности с использованием фильтра Калмана// Труды международной «Конференции по логике, информатике, науковедению»: Математические методы и модели в науке, технике, естествознании и экономике. Ульяновск: изд. УлГТУ, 2007. С. 55-57.
- Валеев С.Г., Фасхутдинова В.А. Кросс-спектральный анализ временных рядов// Вестник. – Ульяновск: изд. УлГТУ, 2006. №4. С. 30-32.
- Валеев С.Г., Фасхутдинова В.А. Модификация программного комплекса АС ДРМ применительно к обработке гео- и гелиофизических данных//Вопросы современной науки и практики. Университет им. В.И. Вернадского. 2008. №2(12). С.64-68.
- Валеев С.Г., Фасхутдинова В.А. Статистические модели динамики сейсмической активности// Сб. докладов IV междун. конф. «Солнечно-земные связи и предвестники землетрясений». Петропавловск-Камчатский: изд. ИКИР ДВО РАН, 2007. С. 269-274.
- Сейдж Э.П., Мелс Дж. Теория оценивания и ее применение в связи и управлении. / Пер. с англ.; Под ред. Б.Р. Левина. – М.: Связь, 1976. – 495с.